E*******F
发帖数: 2165 | 1 我想选这个方向了，觉得数学基础有所不足。
总体感觉是微积分和线性代数到处都在用，当然还有概率统计不用说了。
ml的很多问题其实是优化问题。比如什么拉格朗日乘数，早就忘了。
不知道有没有什么数学书值得好好看看？
（小的概念可以看看维基就明白了，但是知识不系统）
本科时线性代数学了两学期，目前来看还没超出学过的范围，
但问题是本科学那些东西都忘得支离破碎了，值得再重学一遍线性代数吗？
还有泛函、数分，用得着去专门学吗？
我知道这些都是因人而异，但是想听听广泛的意见。 |
z****g
发帖数: 339 | 2 买本书看看不就知道了么...
主要还是矩阵论，统计的一些。 ML数学用的不是很难，而且ML知识都是循序渐进的，
前后连接紧密，所以数学知道基础随便看看就好了。 |
d******e
发帖数: 7844 | 3 ML不搞Theory基本用不上太难的数学。
熟悉一些基本的凸优化，矩阵分解就行了，主要是建模的本事。
Theory的话基本就是搞统计了。
【在 z****g 的大作中提到】
: 买本书看看不就知道了么...
: 主要还是矩阵论，统计的一些。 ML数学用的不是很难，而且ML知识都是循序渐进的，
: 前后连接紧密，所以数学知道基础随便看看就好了。
|
L*****k
发帖数: 327 | 4 Learning Theory的话，statistics只是一部分，probability更多一些，这些搞统计的
人懂得不见得很多。还有optimization theory, information theory，etc
【在 d******e 的大作中提到】
: ML不搞Theory基本用不上太难的数学。
: 熟悉一些基本的凸优化，矩阵分解就行了，主要是建模的本事。
: Theory的话基本就是搞统计了。
|
D***r
发帖数: 7511 | 5 嗯，看怎么定义“统计”了
有些东西比如吉布斯自由能，bethe energy这些
普通的统计课不讲，但是统计物理肯定会讲
而ML也会用（虽然只是一个metaphor）
而graphical model，一般搞统计的人是不熟悉的
【在 L*****k 的大作中提到】
: Learning Theory的话，statistics只是一部分，probability更多一些，这些搞统计的
: 人懂得不见得很多。还有optimization theory, information theory，etc
|
